编者按
　　人工智能时代已经到来。而刚刚落幕的2022世界人工智能大会（WAIC）似乎只是刚刚揭开了AI时代的冰山一角。
　　如果说人工智能是时代巨浪下最精彩的浪花，那么新技术的更新衍生、新场景的创造涌现就是蕴藏在大海深处的澎湃力量。
　　如2022WAIC这样的盛会，总是纷繁多彩，技术、场景、产业、应用、算法的大踏步迈进，敲碎了人们对于未来想象的桎梏。
　　从探寻宇宙边界，到在元宇宙创建自己的第一个形象，行业巨头、城市、个人每个个体都在用各自的方式拥抱人工智能。
　　伫立在黄埔江畔，我们眺望着人工智能的远方。
深度学习红利见顶，AI“敢问路在何方”？IT时报记者郝俊慧摄影报道
　　2022WAIC上，有一件神奇的“隐身衣”：只要将其举在身前走过摄像头，明察秋毫的摄像头便会对你“视而不见”。“这意味着，最后输出的报告中，你所有的信息都不在其中。”瑞莱智慧RealAI现场工作人员告诉《IT时报》记者，一些特殊场景下，穿这件T恤的人就算在镜头里出现，人脸也不会被特殊标注并抓取。
　　这是一个警醒。10年前，ImageNet挑战赛上，Geoffrey Hinton团队运用神经网络深度学习技术，将图片识别的错误率从30%左右降低至16.42%，从而掀起本轮人工智能浪潮。
　　然而，高速发展10年后，学界普遍认为，从应用的角度来看，以数据驱动的深度学习，其技术潜力已接近“天花板”。一方面，深度学习的本质是利用没有加工处理过的数据，用概率学习的“黑箱”处理方法寻找规律，这一方法本质上不可解释、不可以迁移使用，而且需要大量标识化的数据。另一方面，风险点也已出现，除了记者在2022WAIC现场看到的这件“隐身衣”外，伪造人脸“骗”过银行认证系统，在国内已有多起实际案例出现。
　　人们开始讨论新的话题：当此轮深度神经网络学习的技术红利逐渐见顶时，如何推动人工智能的普及化以惠及更多产业？人工智能新的发展又该走向何方？“大数据、大模型固然很重要，大知识同样重要。”中国工程院院士、浙江大学教授潘云鹤在2022WAIC上指出，数据和知识双轮驱动将是人工智能第四次创新方向。
让数字人“有知识”
　　从诞生到现在，人工智能已经走过了66年，潘云鹤将其分为三个阶段。第一阶段是1956年达特茅斯会议之后，规则和逻辑驱动的人工智能；第二阶段是20世纪60～70年代，从逻辑进化到知识和推理驱动的人工智能，但当时的知识表达都是字符型，视觉和声音的信号如何变成知识并没有解决。
　　2012年，这块空白被神经网络所填补，人工智能发展进入第三阶段，深度神经网络在视觉识别、听觉识别、文字识别、多媒体人工智能方面得到了极大突破，但同时也产生了很多缺点，比如不可解释的“黑盒”、大量需要标注的数据。“这些缺点都和只采用数据而不采用知识有很大关系。”潘云鹤表示，现在人们常说AI的逻辑能力很难训练，但其实早期的AI逻辑能力很强，只是现在这一轮的深度神经网络技术没有这个能力，所以要将两者联合起来使用，他称之为“知识和数据共同驱动”的人工智能。
　　潘云鹤指出，人工智能第四阶段是将数据和跨媒体智能、跨媒体知识表达相结合，对视觉的对象进行识别、分析和模拟，其中，开路先锋很可能就是视觉、文字等其他知识的多重知识表达，也即这两年技术上正在突破
　　的多模态人工智能。
　　比如，此次2022WAIC讨论的中心“元宇宙”，便是典型的跨媒体人工智能。潘云鹤以数字人为例解释，它不但要表现人的外观、动作、感知、人的认知能力，还要表现人的个性化数据，“数字人本身就是一个人的跨媒体知识表达，是元宇宙的难点。”
自动驾驶认不出“雪糕桶”
　　向新的技术方向前进，是人工智能发展10年后的顺势而为。
　　如今，数据、算力、算法是公认“AI三件套”，其中，大数据是基础中的基础。究其原因，在于深度学习的本质是寻找规律，利用大量没有加工处理过的数据，通过概率的方式不断寻找重复出现的模式。也就是说，一种模式出现次数多了，就会被人工智能认为是正确的，但它为何会得出这个结论，中间的过程是个“黑箱”。
　　当人工智能具有越来越普遍的应用价值时，以海量数据和超强算力为主的深度学习技术，不仅没办法解决所有问题，甚至出现新的风险。上文中，记者看到的“隐身衣”，便是一种“对抗样本攻击”，通过在输入数据中添加扰动，从而使系统做出错误判断。
　　瑞莱智慧RealAI合伙人、高级副总裁朱萌告诉《IT时报》记者，测试显示，在自动驾驶场景中，通过修改锥桶的形状，可以让汽车感知模块失效，径直撞上去；而通过带有特制花纹的眼镜，他们数分钟便刷开了数十部商用手机的人脸密码。
占领制高点议题
　　“为了人工智能将来的发展，我们必须在基础研究上做大量工作。”上海期智研究院院长姚期智指出，生成原始创新的生态，中国研究学者必须做到“人无我有”。
　　清华大学交叉信息研究院高阳研究组去年在高效率强化学习上实现了突破。
　　Atrai游戏是目前强化学习领域最常用的性能测试标准之一。2015年，Deep Mind团队提出的算法DQN，通过200M帧训练数据，在Atari游戏上达到了人类平均水平。但高阳团队提出的EfficientZero仅使用了DQN需求数据量的1/500，2小时便实现了同等效果。
　　姚期智认为，建设人工智能创新高地，就是要在制高点议题上，取得话语权。此外，在关键技术上，中国即便现阶段相对不足，也要尽力追赶，争取早日进入世界前列。而在新兴理论与技术方向，大家都在同一起跑线上，应该争取先机，和全球并跑。
　　姚期智重点指出两个交叉研究方向：量子智能和AI+X，一方面要及早准备，随着量子计算机的逐渐成熟，进行算法突破；另一方面要与其他学科交叉研究，使其成为原创工作的源泉。比如人工智能和材料学便可以一起研究，用新材料创造新的建筑方式。